衢州中国石龙子形态特征和雌体繁殖输出

通过报道浙江衢州中国石龙子成体形态特征的两性异形和雌体繁殖输出，测定了雌雄两性个体的体长、体重、头长和头宽、附肢长和腹长，除腹长无显著两性差异外，其他形态特征均表现为雄性个体大于雌性个体。衢州种群雌体年产单窝卵，平均窝卵数，窝卵重和平均卵重分别为16．8，8．767g和0．589g．     

网格中数据并行流水线的任务指派优化

为了缩短网格中数据并行流水线在吞吐率受限下的延迟,提出了一种优化任务指派的算法.在一个流水线中,每个任务都可以是一个数据并行程序.当多个任务被指派到同一个并行系统时,假设每个任务排他地使用一组处理机.根据优化目的,优化过程可分成连续的两个阶段,即提高吞吐率和缩短吞吐率受限下的延迟.对不同的优化阶段,用不同的启发式算法确定一个并行系统中每个任务的处理机数.改派任一任务都会使流水线的性能发生变化,性能提高的幅度被称为任务优先级.通过重复改派优先级最高的任务,流水线的性能可迅速提高,这在仿真实验中已得到了证实.     

De Sitter空间中具常数量曲率的完备类空超曲面

研究了DeSitter空间中具常数量曲率的完备类空超曲面,得到了这类超曲面的一个刚性分类定理.即,设M是DeSitter空间Sn 11中的标准数量曲率R为常数的n维完备类空超曲面,如果R≤1且M的第二基本形式模长平方｜h｜2满足｜h｜2≤2n-1,则:(ⅰ)M是全脐类空超曲面;(ⅱ)在一个刚体运动变换下,M是双曲柱面H1(1-coth2r)×Sn-1(1-tanh2r).     

运用EWB测试线性系统特征参数

运用广泛使用的EWB(Electronics Workbench)电子实验台,对一、二阶线性系统特征参数进行测试实验。测试实验结果准确、可靠,并探讨出一种理论教学与实验教学有机融合的可行方法。     

学分制模式下网上选课系统的算法探析

随着高校学分制的推广，网上选课已成为教学教务管理的1个重要部分。学生可以通过网络在任意时间、任意地点进行选课。但是由于目前高校教学资源比较紧张，对课程的修读人数、修读务件都有限制，在选课筛选中加入公平算法是非常必要的。由于学校管理模式不同、课程类别不同，选课算法的公平规则也不同。本文综述了学分制模式下网上选课系统的几种公平筛选算法，并对它们进行了分析和比较。     

关于《电位滴定法测定磷酸浓度及其各级离解常数》实验原理及数据处理的改进

对原实验教材《电位滴定法测定磷酸浓度及其各级离解常数》实验的原理进行了探讨；提出了计算酸的各级离解常数的通式，使实验原理更简洁明了；考虑离子强度的影响，采用Orisin，Excel软件处理实验数据，简化了计算，使结果更准确。     

吸引玻色-爱因斯坦凝聚的坍塌性质

研究描述吸引玻色-爱因斯坦凝聚的Gross-Pitaevskii(GP)方程,在数学上又称为带调和势的非线性Schr(o)dinger方程iФi=-1/2△Ф+1/2|x|2φ-a|φ|qФ-b|φ|pФ,这里a,b＞0是定参数,1＜q＜p＜n+2/n-2,n＞2.参考R.T.Glassey(J Math Phys,1977,181794～1797.)的结果,运用能量方法得到了方程在高维空间中的坍塌性质.     

一种新的MPEG-2运动补偿VLSI结构

在MPEG-2MP@HL(Main Profile at High Level)运动补偿的硬件实现中，需要运算的图像数据量非常大，该文采用双口RAM作为运动补偿的缓存器、流水线预测结构的方案，很好地解决了数据吞吐量大的问题．文中的方案通过FPGA(Field Programmable Gate Array)验证，给出了相关结果并与参考文献进行了比较．仿真结果表明该文的方案能满足MPEG-2MP@HL的实时解码要求，并用EDA软件进行ASIC设计．     

注射LHRHa、17-P及其它药物组合诱导赤点石斑鱼排精研究

在繁殖后期,给精子排放量少的雄性赤点石斑鱼Epinephelus akaara注射促黄体素释放激素类似物(LHRHa)或生理盐水(对照组),6 d后再次注射LHRHa,17α-羟基孕酮(17P),LHRHa 17P,LHRHa DOM和生理盐水,第7天重复注射,24 h后采集精液、血液.结果表明:所有的实验组均能提高精液量,其中LHRHa 17P、LHRHa DOM和17P处理组精液量增加显著(约为对照组的3～5倍),但精子密度没有减少、精子活力没换有降低.所有的实验组的血清11-KT含量降低,而血清T的含量增加,血清E2含量变化不大.精液世同11-KT含量水平之间呈负相关,同T的含量水平呈正相关.     

An extended Lagrangian support vector machine for classifications

Lagrangian support vector machine (LSVM) cannot solve large problems for nonlinear kernel classifiers. In order to extend the LSVM to solve very large problems, an extended Lagrangian support vector machine (ELSVM) for classifications based on LSVM and SVMlight is presented in this paper. Our idea for the ELSVM is to divide a large quadratic programming problem into a series of subproblems with small size and to solve them via LSVM. Since the LSVM can solve small and medium problems for nonlinear kernel classifiers, the proposed ELSVM can be used to handle large problems very efficiently. Numerical experiments on different types of problems are performed to demonstrate the high efficiency of the ELSVM.